检索结果-南通市图书馆

基于改进YOLOv5s的CNN-swin transformer森林野生动物图像目标检测算法

在线全文

学校读者我要写书评

暂无评论

林业科学 2024年第3期60卷 121-130页

作者：杨文翰刘天宇周俊池胡文武蒋蘋湖南农业大学机电工程学院长沙410128

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动... 详细信息

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2~4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入swin transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLOv3、YOLOXs、RetinaNet、Faster R-CNN等其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重,致使检测误检率、漏检率高等问题,在检测算法中提出一系列改进措施,为我国森林野生动物的保护和数据获取提供一种新的可行性方案和思路。

关键词：森林野生动物检测算法 YOLOv5s swin transformer 网络融合

基于swin transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 213-220页

作者：杨信廷刘彤韩佳伟郭向阳杨霖上海海洋大学信息学院上海201306 北京市农林科学院信息技术研究中心北京100097 农产品质量安全追溯技术及应用国家工程研究中心北京100097 仲恺农业工程学院信息科学与技术学院广州510225

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于swin transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型... 详细信息

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于swin transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化swin transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于swin transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

关键词：番茄低温贮藏成熟度识别时序预测模型 swin transformer GRU

维普期刊数据库博看期刊

swin transformer与卷积神经网络的协同图像融合网络

在线全文

学校读者我要写书评

暂无评论

红外技术 2024年

作者：王嘉帅易诗姚淋陈梦婷伍朗成都理工大学机电工程学院

将红外与可见光图像融合可以获得既突出物体又能展示丰富纹理细节的融合图像，鉴于传统融合方法对人工设计的依赖，以及主流的卷积神经网络进行特征提取的融合方法无法有效提取全局特征等问题。本文提出了swintransformer与卷积神经网... 详细信息

将红外与可见光图像融合可以获得既突出物体又能展示丰富纹理细节的融合图像，鉴于传统融合方法对人工设计的依赖，以及主流的卷积神经网络进行特征提取的融合方法无法有效提取全局特征等问题。本文提出了swintransformer与卷积神经网络的协同图像融合网络。以swin transformer为组件，构成swin transformer Block模块进行图像的全局特征提取，将提取的全局特征输入到嵌有卷积神经网络的多层次融合模块中进行局部特征提取，使提取的特征既保留局部信息又保留全局上下文信息。此外，通过引入交互融合模块实现跨模态特征互补，最终融合特征通过图像重构模块生成融合图像。基于TNO和RoadScene数据集与8种经典方法进行对比实验。客观上，在RoadScene数据集中，相比于性能第2的模型，在信息熵、标准差、空间频率以及多尺度结构相似性度量指标上分别提高了1.08%、13.79%、4.80%和0.45%；在TNO数据集中，峰值信噪比指标上升到第1位，相较于第2的模型提高了1.47%。主观上，本文方法有效保留了红外图像中的热辐射信息以及可见光图像中的细节纹理信息，融合效果更佳。

关键词：红外图像可见光图像深度学习图像融合 swin transformer 卷积神经网络

基于swin transformer和图形推理的结直肠息肉分割方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

工程科学学报 2024年第5期46卷 897-907页

作者：梁礼明何安军阳渊吴健江西理工大学电气工程与自动化学院赣州341000

针对结直肠息肉图像分割中病灶区域尺度变化大、边缘模糊以及息肉与正常组织对比度低等问题,导致病变区域分割精度低和分割边界存在伪影,提出一种基于swin transformer和图形推理的自适应网络.该网络一是利用swin transformer编码器逐... 详细信息

针对结直肠息肉图像分割中病灶区域尺度变化大、边缘模糊以及息肉与正常组织对比度低等问题,导致病变区域分割精度低和分割边界存在伪影,提出一种基于swin transformer和图形推理的自适应网络.该网络一是利用swin transformer编码器逐层提取输入图像的全局上下文信息,弱化背景信息干扰,多尺度分析病变区域的显著性特点.二是提出全局与局部特征交互模块增强网络对复杂病灶的空间感知能力,突出待分割目标的关键位置信息,精准定位目标.三是通过区域引导图推理模块以图循环递推的方式挖掘先验信息之间的高阶显性关系,促进图间信息传递.四是设计面向边缘细节的边缘约束图推理模块,整合边缘细节,改善分割效果,提高分割精度.在CVC-ClinicDB、Kvasir、CVC-ColonDB和ETIS数据集上进行实验,其Dice系数分别为0.939,0.926,0.810和0.788,平均交并比分别为0.889,0.879,0.731和0.710,分割性能优于现有方法.仿真实验结果表明,对于形态结构复杂、对比度低和边缘模糊的结直肠息肉图像均有较高的分割精度.

关键词：结直肠息肉 swin transformer 全局与局部特征交互区域引导图推理边缘约束图推理

基于swin transformer的图神经网络小样本图像分类算法

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第12期61卷 371-379页

作者：王凯任劼章为川西安工程大学电子信息学院陕西西安710048 格里菲斯大学综合智能系统研究所澳大利亚布里斯班4702

针对小样本图像分类任务中基于卷积神经网络的特征提取模块难以捕获远程语义信息和边特征相似度度量单一的问题,提出一种基于swin transformer的图神经网络小样本图像分类算法。首先,利用swin transformer网络来提取图像特征,并将该特... 详细信息

针对小样本图像分类任务中基于卷积神经网络的特征提取模块难以捕获远程语义信息和边特征相似度度量单一的问题,提出一种基于swin transformer的图神经网络小样本图像分类算法。首先,利用swin transformer网络来提取图像特征,并将该特征作为节点特征输入图神经网络;然后,通过增加额外度量的方式改进了边特征相似度量模块,形成双度量模块以计算节点特征之间的相似度,将得到的相似度作为边特征输入图神经网络;最后,交替更新节点和边特征来获取图像标签的信息。在Stanford Dogs、Stanford Cars和CUB-200-2011三个数据集上,所提方法对5-way 1-shot任务的分类准确率分别达85.21%、91.10%和91.08%,在小样本图像分类任务中取得了显著的效果。

关键词：图神经网络小样本学习图像分类 swin transformer 双度量学习

基于窗口注意力聚合swin transformer的无人机影像语义分割方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第15期60卷 198-210页

作者：李俊杰易诗何润华刘茜成都理工大学机电工程学院成都610059 重庆邮电大学工业物联网与网络化控制教育部重点实验室重庆400065

采用无人机遥感影像进行地物分类的过程中,由于无人机影像的小尺寸地物目标不够突出和无人机影像背景复杂、地物信息难以辨别等问题,采用现行的经典语义分割方法难以获得理想的地物分类效果。该研究以swin transformer网络模型为基础,... 详细信息

采用无人机遥感影像进行地物分类的过程中,由于无人机影像的小尺寸地物目标不够突出和无人机影像背景复杂、地物信息难以辨别等问题,采用现行的经典语义分割方法难以获得理想的地物分类效果。该研究以swin transformer网络模型为基础,提出了基于窗口注意力聚合swin transformer(window attention aggregation swin transformer,WAA swinT)的语义分割网络模型方法。采用了多窗口注意力聚合的方式来进行更精准的注意力计算,以提升无人机遥感影像中的小尺寸地物目标的分类精度和质量。同时借鉴嵌入连接的思想,采用多级特征嵌入连接解码器改善网络结构,应用于无人机遥感影像的分割中,取得了更精细化的分割效果。为了验证提出的方法在无人机影像语义分割中的效果,分别在城市无人机遥感影像UAVid数据集和UDD数据集进行了实验,并与现行的经典语义分割方法进行了对比。实验结果表明,语义分割方法在UAVid数据集和UDD数据集上均可以得到最佳的语义分割效果。同时,该语义分割方法能显著地提升无人机影像中小尺寸地物精准分割的质量。

关键词：无人机影像语义分割 swin transformer 窗口注意力聚合

基于swin transformer与卷积神经网络的高分遥感影像分类

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第14期61卷 245-256页

作者：何小英徐伟铭潘凯祥王娟李紫微福州大学数字中国研究院(福建) 福建福州350108 福州大学空间数据挖掘与信息共享教育部重点实验室福建福州350002 福州大学地理空间信息技术国家地方联合工程研究中心福建福州350002

针对现有基于深度学习的遥感智能解译方法直接获取全局信息具有挑战性,造成地物边缘模糊、相似类间分类精度低等问题,提出基于swin transformer和卷积神经网络的高分遥感图像语义分割模型(SRAU-Net)。SRAU-Net以swin transformer编码器... 详细信息

针对现有基于深度学习的遥感智能解译方法直接获取全局信息具有挑战性,造成地物边缘模糊、相似类间分类精度低等问题,提出基于swin transformer和卷积神经网络的高分遥感图像语义分割模型(SRAU-Net)。SRAU-Net以swin transformer编码器-解码器框架为基础,采用U-Net形状,提出了以下改进:构造基于swin transformer和基于卷积神经网络的双分支编码器,用不同尺度空间细节特征补充具有全局信息的上下文特征,以获得更高的地物分类精度和更清晰的地物边缘;设计特征融合模块,作为双分支编码器的桥梁从通道和空间维度对全局和局部特征进行有效融合,提升对小目标地物的分割精度;添加特征增强模块,利用注意力机制自适应融合来自编码器和解码器的特征,进一步有效聚合空间和语义特征,提升模型对特征的提取效果。结果表明,SRAU-Net能够更好地提取地物的边缘信息,总体分类精度较原始模型提升了2.57百分点,提高了对小尺度地物的分类精度,有效区分如树木和低矮植被等类间相似的遥感地物,总体精度和F1分数分别为92.60%和86.90%,总体效果优于对比模型。

关键词：高分辨率遥感影像卷积神经网络 swin transformer 特征融合语义分割

基于MTF-swin transformer的风机齿轮箱故障诊断

在线全文

学校读者我要写书评

暂无评论

可再生能源 2024年第5期42卷 627-633页

作者：张彬桥雷钧万刚三峡大学电气与新能源学院湖北宜昌443002 梯级水电站运行与控制湖北省重点实验室湖北宜昌443002 中国长江电力股份有限公司湖北宜昌443002

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-swin transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号... 详细信息

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-swin transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为swin transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。

关键词：马尔科夫变迁场(MTF) swin transformer 风机齿轮箱故障诊断

维普期刊数据库博看期刊

A swin transformer and Residualnetwork Combined Model for Breast Cancer Disease Multi-Classification Using Histopathological Images

在线全文

学校读者我要写书评

暂无评论

Instrumentation 2024年第1期11卷 112-120页

作者： Jianjun Zhuang Xiaohui Wu Dongdong Meng Shenghua Jing School of Electronic and Information Engineering Nanjing University of Information Science and TechnologyNanJing 210044China Institute for AI in Medicine School of Artificial IntelligenceNanjing University of Information Science and TechnologyNanjing 210044China Department of Radiation Oncology Jinling HospitalSchool of Medicine Nanjing UniversityNanjing 210002China

Breast cancer has become a killer of women's health *** order to exploit the potential representational capabilities of the models more comprehensively,we propose a multi-model fusion ***,we combine two differently structured deep learning models,ResNet101 and swin transformer(swinT),with the addition of the Convolutional Block Attention Module(CBAM)attention mechanism,which makes full use of swinT's global context information modeling ability and ResNet101's local feature extraction ability,and additionally the cross entropy loss function is replaced by the focus loss function to solve the problem of unbalanced allocation of breast cancer data *** multi-classification recognition accuracies of the proposed fusion model under 40X,100X,200X and 400X BreakHis datasets are 97.50%,96.60%,96.30 and 96.10%,*** with a single swinT model and ResNet 101 model,the fusion model has higher accuracy and better generalization ability,which provides a more effective method for screening,diagnosis and pathological classification of female breast cancer.

关键词： breast cancer pathological image swin transformer ResNet101 focal loss